| Asignatura | INTELIGENCIA DE NEGOCIOS | ||||||||
| Área | Tecnología Aplicada | Nivel | 6 | ||||||
| Código | INI-64 | Pensum | 10 | ||||||
| Correquisito(s) | Prerrequisito(s) | ISI-54 | |||||||
| Créditos | 4 | TPS | 4 | TIS | 8 | TPT | 64 | TIT | 128 |
2. JUSTIFICACIÓN
En la actualidad, el área de la Inteligencia de Negocios está tomando mucha fuerza debido a la exigencia de competitividad que se les están haciendo a las empresas para poder subsistir en la era de la globalización, donde hay una ardua competencia por parte de las empresas para poder lograr ganar nichos de mercados cada vez más exigentes.
La Inteligencia de Negocios pretende entregarle a las empresas un conjunto de procedimientos, metodologías y herramientas de análisis de datos históricos que les permita ser más eficientes en el proceso de toma de decisiones estratégicas.
Aunque hasta ahora la Inteligencia de Negocios ha funcionado como una tecnología reactiva, es decir, le ha permitido a las empresas reaccionar ante eventos ya ocurridos, la tendencia es que dicha tecnología se convierta en una tecnología proactiva, es decir, que permita a las empresas anticiparse a los acontecimientos, pudiendo tomar correctivos necesarios para que situaciones anómalas no lleguen a suceder. Es así como está empezando a emerger la Inteligencia de Negocios Operacional, es decir, la Inteligencia de Negocios aplicada a las operaciones diarias del negocio, con el fin no solamente de permitir tomar decisiones estratégicas sino tácticas y operacionales.
La Inteligencia de Negocios se alimenta de la tecnología de Bases de Datos. Es así como la principal fuente de datos de la Inteligencia de Negocios se centra en los Data Warehouses o los Data Marts, los cuales no dejan de ser grandes bases de datos con altos volúmenes de información histórica. Por eso, para el estudiante que vaya a cursar esta materia es indispensable haber pasado por un curso básico de Bases de Datos en el cual comprenda el sentido de una base de datos normalizada y todas sus implicaciones a la hora del diseño y a la hora de su utilización.
Tomar decisiones de diversa naturaleza es la actividad que más se hace en las empresas. Al fin y al cabo, las acciones que se emprenden están antecedidas de ciertos análisis que se hacen y generan decisiones especiales. Si estas decisiones están respaldadas por metodologías, procedimientos y herramientas confiables que les permitan tener mayor certeza de que la decisión que están tomando es la más acertada, las empresas ganan competitividad. Y eso es precisamente lo que busca la Inteligencia de Negocios.
3. OBJETIVO GENERAL
Estudiar los mecanismos, procedimientos y algunas herramientas básicas para poder implementar Inteligencia de Negocios en las empresas, a partir de un problema planteado y de un cúmulo de datos heterogéneos que deben ser integrados en un repositorio común para ser procesados y analizados a través de metodologías de minería de datos.
4. OBJETIVOS ESPECÍFICOS
5. COMPETENCIAS Y CONTENIDOS TEMÁTICOS DEL CURSO
| COMPETENCIAS | CONTENIDO TEMÁTICO | INDICADOR DE LOGRO |
| Modelar e Implementar bases de datos analíticas (almacén de datos), diferenciándola de una base de datos transaccional, así como ejecutar sistemas de procesamiento analítico en línea (OLAP) y establecer la diferencia entre éste y el procesamiento transaccional en línea (OLTP). | Tema 1. Inteligencia de Negocios. Definición. Importancia. Contexto. Usos Tema 2. Bases de Datos Transaccionales vs Bases de Datos Analíticas – Diferencias Conceptuales y Funcionales. Tema 3. Qué es un datawarehouse? Características Fundamentales Tema 4. Datawarehouse vs DataMarts. Tipos de almacenamiento de datos: ROLAP, MOLAP, HOLAP. Tema 5. Procesamiento OLTP y Procesamiento OLAP. Tema 6. Modelamiento / Diseño de un Datawarehouse: topología en estrella, topología en copo de nieve, topología en constelación de hechos. Definición de Dimensiones y Hechos. Tema 7. Proceso de Extracción, Transformación y Carga (ETL): Características, fines, utilidades, dificultades. Diferentes tipos de procesos ETL típicos en las herramientas de transformación (Pentaho – Analysis Services SQL Server) Tema 8. Procesos de Minería de Datos. Consultas en bases de datos multidimensionales. Cubos. Instrucción CUBE y ROLL UP del lenguaje SQL. Operaciones OLAP utilizadas: rollup, dril down, slice-dice, pivot. | 1. Diferencia conceptualmente entre una base de datos transaccional y una base de datos analítica y la aplicabilidad que tiene en las empresas, además de entender el tipo de usuarios al que va orientada. 2. Establece la diferencia entre el procesamiento transaccional en línea (OLTP) y el procesamiento analítico en línea (OLAP) 3. Conoce y aplica los conceptos de ETL: Extracción (extraction), Transformación (transformation) y carga de datos (load) y el papel que cumple dentro del data warehouse y datamart 4. A partir de un conjunto de datos históricos de una organización, aplica el concepto de minería de datos y el modelo de datos multidimensional. 5. Modela datamart utilizando el modelo estrella y conoce otras formas de modelamiento como son: el modelo copo de nieve y constelación de estrellas (para el data warehouse) 6. Conoce y aplica las diferentes operaciones OLAP existentes: Roll-up, Drill–down, Slice, dice, pívot 7. Reconoce las diferentes formas de almacenamiento: ROLAP, MOLAP, HOLAP Reconoce el concepto de cubos virtuales y dimensiones lentamente cambiantes |
6. ESTRATEGIAS DIDÁCTICAS / METODOLÓGICAS
Lectura de documentación básica y especializada en el tema de Business Intelligence para posteriormente socializar la lectura en forma de mesa redonda.
Desarrollo de un proyecto de Business Intelligence donde el estudiante pueda dar cuenta de los conceptos aprendidos acerca de los procesos involucrados en un proyecto de este tipo.
Como la clase es totalmente en la sala de cómputo, se hacen permanentemente ejercicios de modelamiento de data warehouse en sus diferentes esquemas, véase estrella, copo de nieve o constelación de hechos.
Además, se práctica durante muchas clases la técnica ETL que permite extraer datos de bases de datos operacionales, archivos de Excel, archivos planos, etc, transformar dichos datos de tal manera que puedan ser cargados de una forma homogénea en el data warehouse, y el proceso de carga. Esta temática es la que más tiempo demanda debido a que en la práctica, el proceso ETL es el más complejo y debe ser abordado desde múltiples puntos de vista.
Se hace la construcción de un cubo a través de Analysis Services de SQL SERVER 2008 para mostrarle al estudiante la utilidad del mismo.
7. ESTRATEGIAS DE SEGUIMIENTO Y EVALUACIÓN
| INDICADORES DE LOGRO | ESTRATEGIA | PORCENTAJE |
| 1.Simula una Base de Datos Operacional. | Entrega de Trabajo, Primer Informe | SEGUIMIENTO |
| 2.Modela un data warehouse | Entrega de Trabajo. Segundo Informe. (Trabajo de campo) | SEGUIMIENTO |
| 3.Implementa procesos ETL. | Entrega de Trabajo Tercer Informe. | 20% 20% |
| 4. Implementa un cubo / modelo de datos multidimensional | Entrega de Trabajo, Cuarto Informe. Sustentación Final | SEGUIMIENTO 20% |
Nota aclaratoria: EL SEGUIMIENTO es el 40%. (En caso de cambiar los porcentajes de seguimiento, se debe tener en cuenta que una nota no puede exceder el 20%)
8. BIBLIOGRAFÍA
SILBERSCHATZ, Abraham; KORTH, Henry F. y SUDARSHAN, S. Database system concepts. 5. ed. New York : McGraw-Hill, 2006. 1142 p.
SILBERSCHATZ, Abraham; KORTH, Henry F. y SUDARSHAN, S. Fundamentos de bases de datos. 5. ed Madrid: McGraw-Hill, 2006. 641 p.
DATE, J. C. Introducción a los sistemas de bases de datos. 7 ed. México: Pearson Educación, 2001. 936 p.
ULLMAN, Jeffrey D. y WIDOM., Jennifer. Introducción a los sistemas de bases de datos. México: Pearson Educación, 1999. 470 p.
ELMASRI, Ramez; NAVATHE, Shamkant B. Sistemas de bases de datos: conceptos fundamentales. 2. ed. México: 2000. 887 p.
THOMSEN, Erik. OLAP Solutions: Building Multidimensional Information Systems. 2. ed. New York: Wylei, 2002. 643 p.
JACOBSON, Reed y otros. OLAP Microsoft® SQL Server™ 2005 Analysis Services Step by Step. 2. ed. Redmon: Microsoft Press, 2006. 373 p.
INMON, William H.. Building the Data Warehouse. 4. ed. New York: Wylei, 2005. 643 p.
HAN, Jiawei y KAMBER, Micheline. Data Mining: Concepts and Techniques. 2. ed. San Diego: Academic Press, 2001. 533 p.
